M.Sc. Elektrotechnik und Informationstechnik - (PO 2014) Kommunikationstechnik und Sensorsysteme (KTS) Stand: 01.09.2021
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
M.Sc. Elektrotechnik und
Informationstechnik
(PO 2014)
Kommunikationstechnik und Sensorsysteme (KTS)
Stand: 01.09.2021
Fachbereich Elektrotechnik und Infor-
mationstechnikModulhandbuch: M.Sc. Elektrotechnik und Informationstechnik (PO 2014)
Kommunikationstechnik und Sensorsysteme (KTS)
Stand: 01.09.2021
Fachbereich Elektrotechnik und Informationstechnik
Email: servicezentrum@etit.tu-darmstadt.de
IInhaltsverzeichnis
1 Grundlagen 1
Digitale Signalverarbeitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
Hochfrequenztechnik II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
Information Theory II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
Communication Technology II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
Praktikum Kommunikationstechnik und Sensorsysteme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2 Wahlmodule 8
2.1 KTS I: Vorlesungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
Adaptive Filter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
Akustik I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
Antennas and Adaptive Beamforming . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Konvexe Optimierung in Signalverarbeitung und Kommunikation . . . . . . . . . . . . . . . . . . . . . . 13
MIMO - Communication and Space-Time-Coding . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Mobile Communications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
Praktikum Digitale Signalverarbeitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
Radartechnik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
Sprach- und Audiosignalverarbeitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
Computational Methods for Systems and Synthetic Biology . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Sensor Array Processing and Adaptive Beamforming . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
Mikrowellenmesstechnik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Machine Learning & Energy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
Machine Learning in Information and Communication Technology (ICT) . . . . . . . . . . . . . . . . . . 31
Matrixanalyse und schnelle Algorithmen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
Robust Signal Processing With Biomedical Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Data Science I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
Signalverarbeitung, Lernen und Optimierung in Graph-Netzwerken . . . . . . . . . . . . . . . . . . . . . 39
Fundamentals of Reinforcement Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.2 KTS II: Seminare und Projektseminare . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
Advanced Topics in Statistical Signal Processing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
Project Seminar Advanced µWave Components & Antennas . . . . . . . . . . . . . . . . . . . . . . . . . . 45
Project Seminar Wireless Communications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Projektseminar Neue Themen in der Sensor-Array und Tensor Signalverarbeitung . . . . . . . . . . . . 47
Signal Detection and Parameter Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Projektseminar Neue Themen in MIMO Kommunikationsnetzwerken . . . . . . . . . . . . . . . . . . . . 50
Robust and Biomedical Signal Processing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
Internationale Sommerschule „Mikrowellen und Lichtwellen“ . . . . . . . . . . . . . . . . . . . . . . . . . 53
Einführung in Scientific Computing mit Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Data Science II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
Wettbewerb künstliche Intelligenz in der Medizin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
Projektseminar Terahertz-Technologie, Kommunikation und Sensorik . . . . . . . . . . . . . . . . . . . . 58
II1 Grundlagen
Modulname
Digitale Signalverarbeitung
Modul-Nr. Kreditpunkte Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
18-zo-2060 6 CP 180 h 120 h 1 WiSe
Sprache Modulverantwortliche Person
Englisch Prof. Dr.-Ing. Abdelhak Zoubir
1 Lerninhalt
1) Zeitdiskrete Signale und lineare Systeme - Abtastung und Rekonstruktion der analogen Signale
2) Design digitaler Filter – Filter Design Prinzipien; Linearphasige Filter; Filter mit endlicher Impulsant-
wort; Filter mit unendlicher Impulsantwort; Implementation
3) Digitale Analyse des Spektrums - Stochastische Signale; Nichtparametrische Spektralschätzung; Para-
metrische Spektralschätzung; Applikationen
4) Kalman Filter
2 Qualifikationsziele / Lernergebnisse
Die Studierenden verstehen grundlegende Prinzipien der Signalverarbeitung. Sie beherrschen die Analyse
im Zeit- und im Frequenzbereich von deterministischen und statistischen Signalen. Die Studierenden haben
erste Erfahrungen mit dem Software Tool MATLAB.
3 Empfohlene Voraussetzung für die Teilnahme
Grundlegende Kenntnisse der Signal- und Systemtheorie (Deterministische Signale und Systeme)
4 Prüfungsform
Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, Klausur, Dauer: 180 min, Standard BWS)
Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, Klausur, Dauer 180 Min, Standard)
5 Benotung
Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, Klausur, Gewichtung: 100 %)
6 Verwendbarkeit des Moduls
BSc ETiT, Wi-ETiT, MSc Medizintechnik
7 Notenverbesserung nach §25 (2)
8 Literatur
Skript zur Vorlesung
Vertiefende Literatur:
• A. Oppenheim, W. Schafer: Discrete-time Signal Processing, 2nd ed.
• J.F. Böhme: Stochastische Signale, Teubner Studienbücher, 1998
Enthaltene Kurse
Kurs-Nr. Kursname
18-zo-2060-vl Digitale Signalverarbeitung
Dozent Lehrform SWS
Prof. Dr.-Ing. Abdelhak Zoubir, M.Sc. Martin Gölz Vorlesung 3
1Kurs-Nr. Kursname
18-zo-2060-ue Digitale Signalverarbeitung
Dozent Lehrform SWS
Prof. Dr.-Ing. Abdelhak Zoubir, M.Sc. Martin Gölz Übung 1
2Modulname
Hochfrequenztechnik II
Modul-Nr. Kreditpunkte Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
18-jk-2130 6 CP 180 h 120 h 1 WiSe
Sprache Modulverantwortliche Person
Englisch Prof. Dr.-Ing. Rolf Jakoby
1 Lerninhalt
Teil 1 Passive Mikrowellenkomponenten:
Berechnung der Eigenschaften von einfachen passiven Mikrowellenkomponenten (Mikrostreifenleitung,
Filter, Resonator, Kondensator, Induktivität) für MMICs.
Teil 2 Aktive Mikrowellenkomponenten:
* Halbleitermaterialsysteme: Eigenschaften, Herstellung und Anforderungen
* Kontakte an Halbleiterbauelementen: Eigenschaften und Charakteristiken
* Ladungsträgertransport: Eigenschaften und Streuprozesse
* Feldeffekt-Transistor (FET) und Heterostrukturtransistor (HEMTs)
Teil 3 Aktive Mikrowellenschaltungen (Hauptteil):
* Wellen- und S-Parameter
* FET-Verstärker: Betrieb, Ersatzschaltbild, Gewinn, Anpassung, Stabilität und Schaltungsimplementierung
* Oszillatoren
* Mischer/Vervielfacher-Schaltungen
Die Anwendungsmöglichkeiten für solche Schaltungen reichen von Kommunikationssystemen wie Mobil-
telefonen bis hin zu Satellitensendern sowie Hochfrequenzquellen bis zu Terahertz.
2 Qualifikationsziele / Lernergebnisse
Der Studierende sollte die Physik von Mikrowellen-Wellenleitern, Resonatoren, Mikrowellenkomponenten
(passiv und aktive) sowie Mikrowellenschaltungen verstehen.
3 Empfohlene Voraussetzung für die Teilnahme
Wünschenswert: Grundlagen der Elektrodynamik, Hochfrequenztechnik I
4 Prüfungsform
Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, Klausur, Dauer: 90 min, Standard BWS)
5 Benotung
Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, Klausur, Gewichtung: 100 %)
6 Verwendbarkeit des Moduls
MSc ETiT, MSc iCE, MSc IST, Wi-ETiT
7 Notenverbesserung nach §25 (2)
8 Literatur
Skript und Folien. Literatur wird in der Vorlesung empfohlen.
Enthaltene Kurse
Kurs-Nr. Kursname
18-jk-2130-vl Hochfrequenztechnik II
Dozent Lehrform SWS
PD Dr.-Ing. Oktay Yilmazoglu Vorlesung 3
Kurs-Nr. Kursname
18-jk-2130-ue Hochfrequenztechnik II
Dozent Lehrform SWS
PD Dr.-Ing. Oktay Yilmazoglu Übung 1
3Modulname
Information Theory II
Modul-Nr. Kreditpunkte Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
18-pe-2010 6 CP 180 h 120 h 1 SoSe
Sprache Modulverantwortliche Person
Englisch Prof. Dr.-Ing. Marius Pesavento
1 Lerninhalt
Diese Vorlesung behandelt fortgeschrittene Themen der Netzwerkinformationstheorie.
Übersicht: Überblick über die Shannon-Kapazität, Kapazität von multiple-input multiple-output (MI-
MO) Kanälen, outage und ergodische Kapazitäten, Kapazität in Kannälen mit Gedächtnis, Kapazität
von Gauß’schen Vektorkanälen, Kapazitätsbereiche von Mehrbenutzerkanälen, Kapazitätsbereiche von
multiple-access and Broadcast fading Kanälen, Interferenzkanäle, Relay Kanäle, Mehrnutzerdiversität, Wi-
retap Kanal, Raten von vertraulicher Kommunikation, Kommunikationssicherheit auf der physikalischen
Schicht
2 Qualifikationsziele / Lernergebnisse
Die Studenten lernen die fortgeschrittene Informationstheorie sowie error-correcting Codes kennen.
3 Empfohlene Voraussetzung für die Teilnahme
Grundkenntnisse der Informationstheorie
4 Prüfungsform
Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, fakultativ, Standard BWS)
5 Benotung
Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, fakultativ, Gewichtung: 100 %)
6 Verwendbarkeit des Moduls
MSc ETiT, BSc iST, MSc Wi-ETiT, MSc iCE, BSc/MSc CE
7 Notenverbesserung nach §25 (2)
8 Literatur
1. Abbas El Gamal and Young-Han Kim, Network Information Theory, Cambrige, 2011.
2. T.M. Cover and J.A. Thomas, Elements of Information Theory, Wiley Sons, 1991.
3. D.Tse and P. Vishwanath, Fundamentals of Wireless Communications, Cambridge University Press, 2005.
Enthaltene Kurse
Kurs-Nr. Kursname
18-pe-2010-vl Information Theory II
Dozent Lehrform SWS
Prof. Dr.-Ing. Marius Pesavento Vorlesung 3
Kurs-Nr. Kursname
18-pe-2010-ue Information Theory II
Dozent Lehrform SWS
Prof. Dr.-Ing. Marius Pesavento Übung 1
4Modulname
Communication Technology II
Modul-Nr. Kreditpunkte Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
18-kl-2010 4 CP 120 h 75 h 1 WiSe
Sprache Modulverantwortliche Person
Englisch Prof. Dr.-Ing. Anja Klein
1 Lerninhalt
Lineare und nichtlineare Modulationsverfahren, Optimale Empfänger für AWGN Kanäle, Fehlerwahrschein-
lichkeiten, Kanalkapazität, Kanalmodelle
Kanalschätzung und Datendetektion für Mehrwegekanäle, Mehrträgerverfahren, OFDM
2 Qualifikationsziele / Lernergebnisse
Studierende können nach Besuch der Lehrveranstaltung:
• lineare und nichtlineare Modulationsverfahren mit Hilfe der Signalraumdarstellung klassifizieren
und analysieren;
• den Einfluss von AWGN Kanälen auf das Empfangssignal verstehen, beschreiben und analysieren
• optimale Empfängerstrukturen für AWGN Kanäle verstehen und herleiten,
• den Einfluss von Mehrwege-Kanälen auf das Empfangssignal (Intersymbolinterferenz) verstehen,
beschreiben und analysieren;
• den Einfluss von Mehrwege-Kanälen mathematisch beschreiben (Kanalmodelle) und empfangsseitig
schätzen (Kanalschätzung);
• den Einfluss von Mehrwege-Kanälen auf das Empfangssignal invertieren (Entzerrung des Signals)
und verschiedene Entzerrer-Strukturen entwerfen und herleiten;
• die Eigenschaften und Anwendungsgebiete von Mehrträgerübertragungs-Systemen, wie OFDM-
Systemen, bewerten und analysieren;
• die Systemparameter von Mehrträgerverfahren zur Anwendung in realistischen Mobilfunk-Szenarien
herleiten und bewerten;
3 Empfohlene Voraussetzung für die Teilnahme
Elektrotechnik und Informationstechnik I und II, Deterministische Signale und Systeme, Stochastische Si-
gnale und Systeme, Kommunikationstechnik I, Grundlagen der Nachrichtentechnik, Mathematik I bis IV
4 Prüfungsform
Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, Klausur, Dauer: 90 min, Standard BWS)
5 Benotung
Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, Klausur, Gewichtung: 100 %)
6 Verwendbarkeit des Moduls
MSc ETIT, MSc Wi-ETiT, MSc CE, MSc iCE, MSc iST, MSc MEC
7 Notenverbesserung nach §25 (2)
8 Literatur
gemäß Hinweisen in der Lehrveranstaltung
Enthaltene Kurse
Kurs-Nr. Kursname
18-kl-2010-vl Communication Technology II
Dozent Lehrform SWS
Prof. Dr.-Ing. Anja Klein Vorlesung 2
5Kurs-Nr. Kursname
18-kl-2010-ue Communication Technology II
Dozent Lehrform SWS
Prof. Dr.-Ing. Anja Klein Übung 1
6Modulname
Praktikum Kommunikationstechnik und Sensorsysteme
Modul-Nr. Kreditpunkte Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
18-kt-2010 5 CP 150 h 105 h 1 WiSe
Sprache Modulverantwortliche Person
Deutsch und Englisch Prof. Dr.-Ing. Rolf Jakoby
1 Lerninhalt
Im Rahmen des Praktikums werden in 7 Versuchen grundlegende Themen der Nachrichten,
Kommunikations- und Hochfrequenztechnik bearbeitet:
Mobile Radio Channel + Diversity (SW)
Signal Detection and Parameter Estimation (Matlab)
Digital Modulation (HW)
Coding (SW)
Parasitic Effects in Passive RF Devices (SW)
RF FET Amplifier (HW)
Polarization of Light (HW)
Antennas: Fields and Impedance (HW)
2 Qualifikationsziele / Lernergebnisse
Die Studenten werden schrittweise angeleitet sich selbständig in vorgegebene Themengebiete einzuarbei-
ten. Es werden innerhalb eines begrenzten Zeitrahmens vorbereitete, experimentelle Tätigkeiten durchge-
führt, die Ergebnisse protokolliert, ausgewertet und diskutiert. Durch dieses Training werden Grundzüge
des freien wissenschaftlichen Arbeitens vermittelt und eingeübt.
3 Empfohlene Voraussetzung für die Teilnahme
Grundlagen der:
• Nachrichtentechnik
• Kommunikationstechnik
• Hochfrequenztechnik
• Digitale Signalverarbeitung
4 Prüfungsform
Modulabschlussprüfung:
• Modulprüfung (Studienleistung, fakultativ, Standard BWS)
5 Benotung
Modulabschlussprüfung:
• Modulprüfung (Studienleistung, fakultativ, Gewichtung: 100 %)
6 Verwendbarkeit des Moduls
MSc ETiT, MSc iCE, Wi-ETiT
7 Notenverbesserung nach §25 (2)
8 Literatur
Zur Durchführung der Versuche werden Versuchsanleitungen angeboten. Kopien dieser Anleitungen kön-
nen bei Herrn Ziemann im Raum S3 06/409 erworben oder von der WEB-Seite geladen werden.
Enthaltene Kurse
Kurs-Nr. Kursname
18-kt-2010-pr Praktikum Kommunikationstechnik und Sensorsysteme
Dozent Lehrform SWS
Prof. Dr.-Ing. Rolf Jakoby, Prof. Dr.-Ing. Anja Klein, Dr.-Ing. Martin Schüßler, Praktikum 3
Prof. Dr.-Ing. Abdelhak Zoubir, Prof. Dr.-Ing. Marius Pesavento, Prof. Dr. rer.
nat. Sascha Preu, Prof. Dr.-Ing. Herbert De Gersem
72 Wahlmodule
2.1 KTS I: Vorlesungen
Modulname
Adaptive Filter
Modul-Nr. Kreditpunkte Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
18-zo-2010 6 CP 180 h 120 h 1 SoSe
Sprache Modulverantwortliche Person
Deutsch und Englisch Prof. Dr.-Ing. Abdelhak Zoubir
1 Lerninhalt
Theorie:
1) Herleitung von Optimalfiltern, z.B. Wiener Filter und Lineare Prädiktion auf Basis passender Kosten-
funktionen.
2) Entwicklung adaptiver Verfahren, die für nicht stationonäre Signale in veränderlichen Umgebungen die
Optimalfilter-Lösung kontinuierlich adaptieren. Hierbei werden die Verfahren NLMS-Algorithmus, Affine
Projektion und der RLS-Algorithmus hergeleitet und umfangreich analysiert.
3) Analyse des Adaptionsverhaltens und Steuerungsmöglichkeiten von Adaptiven Filtern auf Basis von
NLMS-Verfahren.
4) Herleitung und Analyse des Kalman-Filters als Optimalfilter für nicht stationäre Eingangssignale.
5) Verfahren zur Zerlegung von Signalen in Frequenzteilbänder zur Realsierung von Optimalfiltern im Fre-
quenzbereich, z.B. Geräuschreduktion.
Anwendungen:
Parallel zur Theorie werden praktische Anwendungen erläutert.
Zum Wiener-Filter werden Verfahren der akustischen Geräuschreduktion entwickelt. Für adaptive Filter
wird insbesondere akustische Echounterdrückung aber auch Rückkopplungsunterdrückung erläutert. Wei-
terhin werden Beamforming-Ansätze dargestellt.
Während der Vorlesungszeit ist geplant, eine Exkursion zu Siemens Audiologische Technik nach Erlangen
anzubieten.
In den 4-5 Übungen werden Sie Inhalte der Vorlesung in MATLAB implementieren und sich so praktische
Umsetzungen der theoretischen Verfahren erarbeiten.
2 Qualifikationsziele / Lernergebnisse
In dieser Vorlesung werden die Grundlagen adaptiver Filter vermittelt. Hierzu werden die notwendigen Al-
gorithmen hergeleitet, interpretiert und an Beispielen aus der Sprach-, Audio- und Videosignalverarbeitung
angewendet. Auf Basis dieser Inhalte sind Sie in der Lage, Adaptive Filter für praktische Realisierungen an-
zuwenden.
Als Zulassung zur Prüfung halten Sie einen Vortrag über eine von Ihnen ausgewählte Anwendung der
Adaptiven Filter. Damit erarbeiten Sie Kenntnisse, sich über eine Literaturstudie in eine Anwendung ein-
zuarbeiten und Ihr Wissen adäquat zu präsentieren, was u.a. im Berufsleben von Ihnen erwartet werden
wird.
3 Empfohlene Voraussetzung für die Teilnahme
Digitale Signalverarbeitung
4 Prüfungsform
Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, fakultativ, Standard BWS)
5 Benotung
8Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, fakultativ, Gewichtung: 100 %)
6 Verwendbarkeit des Moduls
MSc ETiT
7 Notenverbesserung nach §25 (2)
8 Literatur
Folien zur Vorlesung
Literaturhinweise:
• E. Hänsler, G. Schmidt: Acoustic Echo and Noise Control, Wiley, 2004 (Textbook of this course)
• S. Haykin: Adaptive Filter Theory, Prentice Hall, 2002;
• A. Sayed: Fundamentals of Adaptive Filtering, Wiley, 2004;
• P. Vary, U. Heute, W. Hess: Digitale Sprachsignalverarbeitung, Teubner, 1998 (in German)
Enthaltene Kurse
Kurs-Nr. Kursname
18-zo-2010-vl Adaptive Filter
Dozent Lehrform SWS
Prof. Dr.-Ing. Henning Puder Vorlesung 3
Kurs-Nr. Kursname
18-zo-2010-ue Adaptive Filter
Dozent Lehrform SWS
Prof. Dr.-Ing. Henning Puder Übung 1
2.1 KTS I: Vorlesungen 9Modulname
Akustik I
Modul-Nr. Kreditpunkte Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
18-se-2010 3 CP 90 h 60 h 1 WiSe
Sprache Modulverantwortliche Person
Deutsch Prof. (em.) Dr. Gerhard Sessler
1 Lerninhalt
1. Grundbegriffe der Schwingungslehre; Impedanz; elektromechanische Analogien,
2. Schallfeld: Wellengleichung; ebene Wellen; Schallabsorption und -dispersion; Raumabsorption,
3. Schallabstrahlung: Kugel-, Dipol-, Kardiostralhler; lineare Strahlengruppen; kreisförmige Kolbenmem-
bran,
4. Physiologische und psychologische Akustik: Gehör, akustische Wahrnehmung; Spracherzeugung und -
verständlichkeit,
5. Elektroakustische Wandler; Reziprozitätsbeziehungen; elektrostatische; piezoelektrische; elektrodyna-
mische und andere Wandler; Richtmikrofone; Mikrofoneichung,
6. Akustische Messtechnik: Messung akustischer Grundgrößen; akustische Messräume; Körperschall- Mes-
sung,
7. Analoge und digitale Signalaufzeichnung: Digitale und analoge Platten- und Magnetbandverfahren;
Lichttonverfahren,
8. Ultraschall und Hyperschall: Erzeugung und Nachweis; Anwendungen
2 Qualifikationsziele / Lernergebnisse
Studierende können nach Besuch der Lehrveranstaltung:
• Verständnis für grundlegende Phänomene der Erzeugung, Ausbreitung, Aufnahme, Speicherung und
Wiedergabe von Schall aufbringen;
• akustische Komponenten und Systeme analysieren;
• erhalten die Befähigung zur Beurteilung und Entwicklung von Anwendungen im Hörschall und
Ultraschallbereich.
3 Empfohlene Voraussetzung für die Teilnahme
Elektrotechnik und Informationstechnik I und II, Mathematik I-IV, Physik Grundlagen der Nachrichtentech-
nik
4 Prüfungsform
Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, mündliche Prüfung, Dauer: 30 min, Standard BWS)
5 Benotung
Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, mündliche Prüfung, Gewichtung: 100 %)
6 Verwendbarkeit des Moduls
MSc ETiT
7 Notenverbesserung nach §25 (2)
8 Literatur
H. Kuttruft, Akustik (Hilzel 2004); M. Zollner u. E. Zwicker, Elektroakustik, 3. Auflage (Springer, corrected
reprint 1998); H. Fastl, E. Zwicker, Psychoacoustics (Springer 2005); J. Blauert, Communication Acoustics
(Springer 2005); R.Lerch, G. Sessler u. D. Wolf, Technische Akustik (Springer 2009)
Enthaltene Kurse
2.1 KTS I: Vorlesungen 10Kurs-Nr. Kursname
18-se-2010-vl Akustik I
Dozent Lehrform SWS
Prof. (em.) Dr. Gerhard Sessler, Prof. Dr. Mario Kupnik Vorlesung 2
2.1 KTS I: Vorlesungen 11Modulname
Antennas and Adaptive Beamforming
Modul-Nr. Kreditpunkte Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
18-jk-2020 6 CP 180 h 120 h 1 WiSe
Sprache Modulverantwortliche Person
Englisch Prof. Dr.-Ing. Rolf Jakoby
1 Lerninhalt
Überblick über die wichtigsten Antennenparameter und –typen sowie deren Anwendung; charakteristi-
sche Parameter des Fernfeldes für Dipol-, Draht- und Gruppenantennen berechnet anhand praktischer
Anwendungen. Ableitung der exakten abgestrahlten elektromagnetischen Felder aus den Maxwell’schen
Gleichungen, verschiedene numerische Verfahren zur Antennenberechnung. Prinzipien und Algorithmen
für Antennen mit adaptiver Strahlformung (Smart Antennas) in modernen Kommunikations- und Sensor-
systemen.
2 Qualifikationsziele / Lernergebnisse
Die Studierenden kennen die Bedeutung grundlegender Antennenparameter wie Richdiagramm, Gewinn,
Richtfaktor, Wirkungsgrad, Eingangsimpedanz, anhand derer Antennen unterschieden werden können.
Weiterhin können die Feldregionen einer Antenne (Nahfeld, Fernfeld, usw) unterschieden und aus ei-
ner gegebenen Anregung, z.B. Strombelegung, das Fernfeld einer Antenne berechnet werden. Basierend
auf der Kenntnis der Eigenschaften des idealen Dipols können die Studierenden lange Drahtantennen ana-
lysieren. Um das Verhalten von Antennen vor dielektrischen oder leitfähigen Grenzflächen zu bestimmen
kann die Spiegeltheorie angewendet werden. Hornantennen und Parabolreflektor- Antennen können prin-
zipiell nach entsprechenden Anforderungen entworfen werden. Die Studierenden können mit Hilfe ge-
eigneter Verfahren das Verhalten von Gruppenantennen berechnen und diese dimensionieren. Weiterhin
sind sie in die Grundzüge der adaptiven Diagrammformung eingewiesen. Unterschiedliche Verfahren zur
Vollwellenanalyse verschiedener Antennen können unterschieden werden.
3 Empfohlene Voraussetzung für die Teilnahme
Nachrichtentechnik, Hochfrequenztechnik 1
4 Prüfungsform
Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, fakultativ, Standard BWS)
5 Benotung
Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, fakultativ, Gewichtung: 100 %)
6 Verwendbarkeit des Moduls
BSc ETiT, MSc ETiT, MSc iCE, Wi-ETiT
7 Notenverbesserung nach §25 (2)
8 Literatur
Jakoby, Skriptum Antennas and Adaptive Beamforming, wird am Beginn der Vorlesung verkauft und kann
danach im FG-Sekretariat erworben werden
Enthaltene Kurse
Kurs-Nr. Kursname
18-jk-2020-vl Antennas and adaptive Beamforming
Dozent Lehrform SWS
Prof. Dr.-Ing. Rolf Jakoby, M.Sc. Matthias Nickel Vorlesung 3
Kurs-Nr. Kursname
18-jk-2020-ue Antennas and Adaptive Beamforming
Dozent Lehrform SWS
Prof. Dr.-Ing. Rolf Jakoby, M.Sc. Matthias Nickel Übung 1
2.1 KTS I: Vorlesungen 12Modulname
Konvexe Optimierung in Signalverarbeitung und Kommunikation
Modul-Nr. Kreditpunkte Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
18-pe-2020 6 CP 180 h 120 h 1 SoSe
Sprache Modulverantwortliche Person
Englisch Prof. Dr.-Ing. Marius Pesavento
1 Lerninhalt
Diese stellt die grundlegende Theory der Konvexen Optimierung vor und erläutert anhand von zahlreichen
Beispielen ihre Anwendung in der digitalen Signalverareitung und in mobile Kommunikationssystemen.
Übersicht: Einführung, konvexe Mengen und Funktionen, konvexe Optimierungsprobleme und Klassen
wichtiger konvexer Probleme (LP, QP, SOCP, SDP, GP), Lagrange Dualität and KKT Bedingungen, Grundlagen
der Numerischen Optimierung und der Innere-Punkt-Verfahren, Optimierungstools, innere und äußere Ap-
proximationsverfahren für nichtkonvexe Probleme, Sparse Optimization, verteilte Optimierung, gemischt
ganzzahlige lineare und nichtlineare Optimierung, Anwendungen.
2 Qualifikationsziele / Lernergebnisse
Die Studenten lernen fortgeschrittene Themen in moderner Kommunikation kennen.
3 Empfohlene Voraussetzung für die Teilnahme
Kenntnisse in der linearen Algebra, Grundkenntnisse in der Signalverabeitung und Kommunikationstech-
nik.
4 Prüfungsform
Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, Mündliche/Schriftliche Prüfung, Dauer: 120 min, Standard BWS)
Die Prüfung erfolgt durch eine Klausur (Dauer: 120 Min.). Falls absehbar ist, dass sich weniger als 14
Studierende anmelden, erfolgt die Prüfung mündlich (Dauer: 20 Min.). Die Art der Prüfung wird zu Beginn
der Lehrveranstaltung bekannt gegeben.
5 Benotung
Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, Mündliche/Schriftliche Prüfung, Gewichtung: 100 %)
6 Verwendbarkeit des Moduls
MSc ETiT
7 Notenverbesserung nach §25 (2)
8 Literatur
1. S. Boyd and L. Vandenberghe, Convex Optimization, Cambridge University Press, 2004. (online Verfüg-
bar: http://www.stanford.edu/~boyd/cvxbook/)
2. D. P. Bertsekas, Nonlinear Programming, Athena Scientific, Belmont, Massachusetts, 2nd Ed., 1999.
3. Daniel P. Palomar and Yonina C. Eldar, Convex Optimization in Signal Processing and Communications,
Cambridge University Press, 2009.
Enthaltene Kurse
Kurs-Nr. Kursname
18-pe-2020-vl Konvexe Optimierung in Signalverarbeitung und Kommunikation
Dozent Lehrform SWS
Prof. Dr.-Ing. Marius Pesavento Vorlesung 2
Kurs-Nr. Kursname
18-pe-2020-ue Konvexe Optimierung in Signalverarbeitung und Kommunikation
Dozent Lehrform SWS
Prof. Dr.-Ing. Marius Pesavento Übung 1
2.1 KTS I: Vorlesungen 13Kurs-Nr. Kursname
18-pe-2020-pr Praktikum Konvexe Optimierung in Signalverarbeitung und Kommunikation
Dozent Lehrform SWS
Prof. Dr.-Ing. Marius Pesavento Praktikum 1
2.1 KTS I: Vorlesungen 14Modulname
MIMO - Communication and Space-Time-Coding
Modul-Nr. Kreditpunkte Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
18-pe-2030 4 CP 120 h 75 h 1 WiSe
Sprache Modulverantwortliche Person
Englisch Prof. Dr.-Ing. Marius Pesavento
1 Lerninhalt
Diese Vorlesung führt in die Prinzipien der Space-Time und Multiple-Input Multiple-Output (MIMO) Kom-
munikation ein.
Übersicht: Motivation und Hintergrund; Überblick über Space-Time und MIMO Kommunikation; fading MI-
MO Kanal Modelle; MIMO Informationstheorie; Sende- und Empfangs-Diversität; Kanalschätzung, MIMO
Detektoren, Alamouti Space-Time Block Code; Orthogonale Space-Time Block-Codes; Linear Dispersion
Codes; kohärente und nicht-kohärente Decoder; Differential Space-Time Block Coding; Antenna Subset
Selektion; Space-Time Coding in einem Multiuser Umfeld, Multiuser MIMO Empfänger, MIMO mit limitier-
ten Feedback, Mehrantennen- und Mehrnutzer-Diversity, BER Performance Analyse, MIMO in modernen
Kommunikationsnetzen, Mehrzellen- bzw. kooperatives MIMO (Coordinated Multipoint).
2 Qualifikationsziele / Lernergebnisse
Die Studenten lernen, moderne MIMO Kommunikation und existierende Space-Time Coding Techniken zu
verstehen und zu nutzen.
3 Empfohlene Voraussetzung für die Teilnahme
Grundkenntnisse in Matrix-Algebra, DSP und Nachrichtentechnik.
4 Prüfungsform
Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, fakultativ, Standard BWS)
5 Benotung
Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, fakultativ, Gewichtung: 100 %)
6 Verwendbarkeit des Moduls
MSc ETiT
7 Notenverbesserung nach §25 (2)
8 Literatur
1. A.B.Gershman and N.D.Sidiropoulos, Editors, Space-Time Processing for MIMO Communications, Wiley
and Sons, 2005;
2. E.G.Larsson and P.Stoica, Space-Time Block Coding for Wireless Communications, Cambridge University
Press, 2003;
3. A.Paulraj, R.Nabar, and D.Gore, Introduction to Space-Time Wireless Communications, Cambridge Uni-
versity Press, 2003.
4. Lin Bai and Jinho Choi, Low Complexity MIMO detectors, Springer, 2012.
5. Howard Huang, Constantinos B. Papadias, and Sivarama Venkatesan, MIMO Communication for Cellular
Networks, Springer, 2012.
Enthaltene Kurse
Kurs-Nr. Kursname
18-pe-2030-vl MIMO - Communication and Space-Time-Coding
Dozent Lehrform SWS
Prof. Dr.-Ing. Marius Pesavento Vorlesung 2
2.1 KTS I: Vorlesungen 15Kurs-Nr. Kursname
18-pe-2030-ue MIMO - Communication and Space-Time-Coding
Dozent Lehrform SWS
Prof. Dr.-Ing. Marius Pesavento, M.Sc. Fabio Nikolay, M.Sc. Tianyi Liu Übung 1
2.1 KTS I: Vorlesungen 16Modulname
Mobile Communications
Modul-Nr. Kreditpunkte Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
18-kl-2020 6 CP 180 h 120 h 1 SoSe
Sprache Modulverantwortliche Person
Englisch Prof. Dr.-Ing. Anja Klein
1 Lerninhalt
Die Vorlesung beinhaltet Aspekte von Mobilfunksystemen mit speziellem Fokus auf der Luftschnittstelle.
Mobilfunksysteme, Dienste, Markt, Standardisierung
Duplex und Mehrfachzugriffsverfahren, zellulares Konzept,
Mobilfunkkanal, deterministische und stochastische Beschreibung,
Modulationsverfahren
Code Division Multiple Access (CDMA),
Orthogonal Frequency Division Multiplexing (OFDM),
Optimale und suboptimale Empfängertechniken,
Zellulare Kapazität und spektrale Effizienz,
Diversitätsmethoden,
Multiple Input Multiple Output (MIMO) Systeme,
Power Control und Handover
Architektur von Mobilfunksystemen
2 Qualifikationsziele / Lernergebnisse
Studenten verfügen nach Besuch der Lehrveranstaltung über
• ein fundiertes Verständnis von Themenkomplexen der Luftschnittstelle (z.B. Übertragungsverfahren,
Vielfachzugriffsverfahren von mobilen Kommunikationssystemen, Duplexverfahren, Mehrträgerver-
fahren, Empfängertechniken, Mehrantennenverfahren)
• ein fundiertes Verständnis der Signalausbreitung in Mobilfunksystemen (Mobilfunkkanal)
• die Fähigkeit zum Verstehen und Lösen von Problemstellungen aus dem Bereich der Luftschnittstelle
• die Fähigkeit zu Vergleich, Analyse und Beurteilung verschiedener Systemkonzepte
• Wissen über das Modellieren von Übertragungseigenschaften des Mobilfunkkanals
3 Empfohlene Voraussetzung für die Teilnahme
Deterministische Signale und Systeme, Kommunikationstechnik I, Mathematik I bis IV
4 Prüfungsform
Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, Klausur, Dauer: 90 min, Standard BWS)
5 Benotung
Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, Klausur, Gewichtung: 100 %)
6 Verwendbarkeit des Moduls
MSc ETIT, MSc Wi-ETiT, MSc CE, MSc iCE, MSc iST, MSc MEC
7 Notenverbesserung nach §25 (2)
8 Literatur
gemäß Hinweisen in der Lehrveranstaltung
Enthaltene Kurse
Kurs-Nr. Kursname
18-kl-2020-vl Mobile Communications
Dozent Lehrform SWS
Prof. Dr.-Ing. Anja Klein Vorlesung 3
2.1 KTS I: Vorlesungen 17Kurs-Nr. Kursname
18-kl-2020-ue Mobile Communications
Dozent Lehrform SWS
Prof. Dr.-Ing. Anja Klein Übung 1
2.1 KTS I: Vorlesungen 18Modulname
Praktikum Digitale Signalverarbeitung
Modul-Nr. Kreditpunkte Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
18-zo-2030 6 CP 180 h 135 h 1 WiSe/SoSe
Sprache Modulverantwortliche Person
Englisch Prof. Dr.-Ing. Abdelhak Zoubir
1 Lerninhalt
1) Einführung in MATLAB
2) Zeitdiskrete Signale und Systeme
3) Analyse des Frequenzbereichs basierend auf der DFT
4) Design digitaler Filter mit endlicher Impulsantwort
5) Design digital Filter mit unendlicher Impulsantwort mittels analogen Prototypen
6) Nichtparametrische Methoden der Spektralschätzung
7) Parametrische Methoden der Spektralschätzung.
2 Qualifikationsziele / Lernergebnisse
Die Studierenden sind in der Lage, die in der Vorlesung Digital Signal Processing erworbenen Fähigkei-
ten anzuwenden. Dazu gehören der Entwurf von FIR und IIR Filtern sowie die nicht-parametrische und
parametrische Spektralschätzung. MATLAB wird verwendet um theoretische Konzepte einzusetzen und
Methoden der Signalverarbeitung mit praktischen Anwendungsbeispielen zu demonstrieren.
3 Empfohlene Voraussetzung für die Teilnahme
Stochastische Signale und Systeme
4 Prüfungsform
Modulabschlussprüfung:
• Modulprüfung (Studienleistung, Schriftliche Prüfung, Dauer: 120 min, Standard BWS)
Klausur (Dauer: 120 Minuten) und ein Bericht (Lab Reports), Details werden zu Beginn der Lehrveranstal-
tung bekannt gegeben.
5 Benotung
Modulabschlussprüfung:
• Modulprüfung (Studienleistung, Schriftliche Prüfung, Gewichtung: 100 %)
6 Verwendbarkeit des Moduls
MSc ETiT, MSc iCE
7 Notenverbesserung nach §25 (2)
8 Literatur
Praktikumsanleitung
Enthaltene Kurse
Kurs-Nr. Kursname
18-zo-2030-pr Praktikum Digitale Signalverarbeitung
Dozent Lehrform SWS
Prof. Dr.-Ing. Abdelhak Zoubir Praktikum 3
2.1 KTS I: Vorlesungen 19Modulname
Radartechnik
Modul-Nr. Kreditpunkte Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
18-jk-2040 3 CP 90 h 60 h 1 WiSe
Sprache Modulverantwortliche Person
Deutsch Prof. Dr.-Ing. Rolf Jakoby
1 Lerninhalt
Nach einer kurzen Einführung in die Radartechnik, welche die Anwendungen sowie die dafür nutzba-
ren Frequenzbereiche darstellt, und einem historischen Rückblick werden die Leistungsreichweiten der
verschiedenen Radarverfahren sowie Ausbreitungseffekte behandelt. Der folgende Teil der Vorlesung be-
schäftigt sich mit den verschiedenen Radarverfahren (Primär- und Sekundär-Radar) im Detail. Die einsetz-
baren Radarverfahren der einzelnen Gruppen werden grundlegend untersucht, und spezielle Verfahren der
Signal-Analyse erklärt.
2 Qualifikationsziele / Lernergebnisse
Die Studierenden kennen verschiedene Konzepte und Prinzipien zur Detektion von Objekten sowie zur
Bestimmung ihrer Winkelposition und Reichweitweite. Hierzu lernen sie die Funktionsweise verschiedener
Radarsysteme einschließlich der erforderlichen Signalverarbeitung. Sie verstehen die wesentlichen physi-
kalischen Ausbreitungseffekte.
3 Empfohlene Voraussetzung für die Teilnahme
Nachrichtentechnik, Hochfrequenztechnik I
4 Prüfungsform
Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, mündliche Prüfung, Dauer: 30 min, Standard BWS)
5 Benotung
Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, mündliche Prüfung, Gewichtung: 100 %)
6 Verwendbarkeit des Moduls
MSc ETiT, MSc iCE, MSc Wi-ETiT, BSc/MSc iST, MSc iCE, BSc CE
7 Notenverbesserung nach §25 (2)
8 Literatur
Folien, Neuste Publikationen und Bücher
Enthaltene Kurse
Kurs-Nr. Kursname
18-jk-2040-vl Radartechnik
Dozent Lehrform SWS
PD Dr. habil. Holger Maune Vorlesung 2
2.1 KTS I: Vorlesungen 20Modulname
Sprach- und Audiosignalverarbeitung
Modul-Nr. Kreditpunkte Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
18-zo-2070 6 CP 180 h 120 h 1 WiSe
Sprache Modulverantwortliche Person
Deutsch Prof. Dr.-Ing. Abdelhak Zoubir
1 Lerninhalt
Verfahren der Sprach- und Audiosignalverarbeitung: Einführung in die Modelle von Sprach- und Audiosi-
gnalen sowie grundlegende Methoden der Audiosignalverarbeitung. Verfahren der codebuchbasierten Ver-
arbeitung und der Audiocodierung. Beamforming zur räumlichen und Geräuschreduktion zur spektralen
Filterung. Cepstrale Filterung und Sprachgrundfrequenzschätzung. Mel-filtered cepstral coefficients (MFC-
Cs) als Grundlage für die Sprecher- und Spracherkennung. Klassifikations-methoden basierend auf GMM
(Gaussian mixture models) sowie Spracherkennung mit HMM (Hidden Markov Modellen) und Neuronalen
Netzen. Einführung in die Methoden der Musiksignalverarbeitung, z.B. Shazam-App oder Beat-Erkennung.
Räumliche Wiedergabesystem mit Wellenfeldsynthese (WFS) und Higher Order Ambisonics (HOA).
2 Qualifikationsziele / Lernergebnisse
Die Studierenden erarbeiten sich durch die Vorlesung fortgeschrittene Kenntnisse der digitalen Audio-
Signalverarbeitung insbesondere auf Basis von Sprachsignalen. Sie lernen verschiedene grundlegende und
erweiterte Methoden der Audiosignalverarbeitung kennen, von der Theorie bis hin zu konkreten prak-
tischen Anwendungen. Sie verstehen Algorithmen, die in Mobiltelefonen, Hörgeräten, Freisprecheinrich-
tungen und auch Man-Machine-Interfaces (MMI) eingesetzt werden. Als Seminar halten die Studierenden
einen Vortrag über eine von Ihnen ausgewählte Anwendung der Sprach- und Audiosignalverarbeitung.
Damit erarbeiten sie Kenntnisse, sich über eine Literaturstudie in eine Anwendung einzuarbeiten und Ihr
Wissen adäquat zu präsentieren, was u.a. im Berufsleben von Ihnen erwartet werden wird.
3 Empfohlene Voraussetzung für die Teilnahme
Für die Vorlesung werden gute Kenntnisse der statistischen Signalverarbeitung (Minimum: Vorlesung „Di-
gital Signal Processing“) vorausgesetzt. Wünschenswert – aber nicht zwingend notwendig – sind zusätzlich
Kenntnisse über adaptive Filter.
4 Prüfungsform
Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, Mündliche/Schriftliche Prüfung, Dauer: 90 min, Standard BWS)
Seminarvortrag über ein Thema der Sprach- und Audiosignalverarbeitung, einzeln (Dauer: 10-15 Min.)
oder in Zweier-Teams (Dauer: 15-20 Min.) und eine mündliche Prüfung (Dauer: 20 Minuten) oder ab
einer Teilnehmer*innenzahl von 20 eine Klausur (Dauer: 90 Minuten)
5 Benotung
Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, Mündliche/Schriftliche Prüfung, Gewichtung: 100 %)
6 Verwendbarkeit des Moduls
MSc ETiT, MSc iCE
7 Notenverbesserung nach §25 (2)
8 Literatur
Folien, für weitere Literaturhinweise siehe Homepage der Vorlesung
Enthaltene Kurse
Kurs-Nr. Kursname
18-zo-2070-vl Sprach- und Audiosignalverarbeitung
Dozent Lehrform SWS
Prof. Dr.-Ing. Henning Puder Vorlesung 2
2.1 KTS I: Vorlesungen 21Kurs-Nr. Kursname
18-zo-2070-ue Sprach- und Audiosignalverarbeitung
Dozent Lehrform SWS
Prof. Dr.-Ing. Henning Puder Übung 1
Kurs-Nr. Kursname
18-zo-2070-se Sprach- und Audiosignalverareitung
Dozent Lehrform SWS
Prof. Dr.-Ing. Henning Puder Seminar 1
2.1 KTS I: Vorlesungen 22Modulname
Computational Methods for Systems and Synthetic Biology
Modul-Nr. Kreditpunkte Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
18-kp-2080 4 CP 120 h 75 h 1 SoSe
Sprache Modulverantwortliche Person
Englisch Prof. Dr. techn. Heinz Köppl
1 Lerninhalt
Die Vorlesung deckt die mathematischen Methoden im Bereich der Systembiologie und der synthetischen
Biologie ab. Dabei geht es sowohl um die praktische Modellbildung von molekularbiologischen Prozes-
sen als auch um theoretische Untersuchungen, die allgemeine Eigenschaften dieser Prozesse offenlegen.
Die Vorlesung folgt einem mikroskopischen Ansatz und führt eine Beschreibung der Prozesse mit Hilfe
von probabilistischen Methoden ein. Dafür werden notwendige mathematische Vorkenntnisse wiederholt,
wie die Definition von Markovprozessen in verschiedenen Räumen und deren Eigenschaften. Mit diesem
Rüstzeug wird die Dynamik von stochastischer Reaktionskinetik mit Hilfe von Populationsmodellen un-
tersucht. Dabei werden Grenzfälle entwickelt, die zu Diffusionapproximationen oder deterministischen
Approximationen (fluid approximations) dieser Systemklasse führen. Oft wird dafür auf Methoden der sta-
tistischen Physik zurückgegriffen. Numerische Lösungsverfahren für die entsprechenden Fokker-Planck und
Master Gleichungen werden diskutiert. Im Grenzfall einer deterministischen Approximation werden tradi-
tionelle Methoden zur Stabilitätsuntersuchung von nichtlinearen Differentialgleichungen besprochen und
Methoden vorgestellt die basierend auf der Topologie des Reaktionsnetzwerkes Aussagen über Stabilität zu-
lassen. In diesem Kontext wird auch die Herleitung der Momentendynamik und Approximationsverfahren
basierend of Momentenabschluß präsentiert. Korrespondenzen zu Modellen aus der Warteschlangentheo-
rie werden aufgezeigt.
Des Weiteren wird die Frage behandelt wie die eingeführten dynamischen Modelle zu molekularbiologi-
schen Messdaten kalibriert werden können. Dafür werden allgemeine Methoden der statistischen Inferenz
aus der Statistik und des Maschinellen Lernens aus der Informatik besprochen und spezialisierte Algorith-
men für die betrachtete Systemklasse präsentiert. Zusätzlich wird eine kurze Einführung in die Theorie der
nichtlinearen Optimalfilter gegeben und Spezialfälle wie hidden Markov models besprochen.
Über die Reaktionskinetik hinausgehend bietet die Vorlesung eine Einführung in die Modellierung und die
numerischen Verfahren der Molekulardynamik. Newton’sche Mehrkörpersimulation und klassische Poten-
ziale und deren Verwendung in der Molekulardynamik werden diskutiert. Die meisten Lerninhalte werden
mit praktischen Beispielen aus der angewandten Modellierung im Bereich der Systembiologie motiviert.
Die Anwendbarkeit der jeweiligen Verfahren in der Synthetischen Biologie wird aufgezeigt.
2 Qualifikationsziele / Lernergebnisse
Studierende, die erfolgreich an dieser Veranstaltung teilgenommen haben, sollen in der Lage sein, prak-
tische Modellierung von molekularbiologischen Prozessen durchzuführen und Modelle hinsichtlich ihrer
dynamischen Eigenschaften durch mathematische Methoden näher zu bestimmen. Dazu gehört das Ver-
ständnis der folgenden Themen:
• Mathematische Abstraktion von molekularbiologischen Mechanismen
• Allgemeine Eigenschaften von stochastischen Prozessen
• Approximationsverfahren für Markov’sche Populationsmodelle
• Stabilitätsanalyse von nichtlinearen Differentialgleichungen
• Numerische Lösungsverfahren für stochastische SystemeSystemidentifikation/Maschinelles Lernen
für stochastische Systeme
3 Empfohlene Voraussetzung für die Teilnahme
Grundlegende Kenntnisse zur Programmierung, Matlab.
4 Prüfungsform
Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, fakultativ, Standard BWS)
5 Benotung
2.1 KTS I: Vorlesungen 23Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, fakultativ, Gewichtung: 100 %)
6 Verwendbarkeit des Moduls
MSc ETiT, MSc iST, MSc Wi-ETiT, MSc MEC
7 Notenverbesserung nach §25 (2)
8 Literatur
http://www.bcs.tu-darmstadt.de/
Enthaltene Kurse
Kurs-Nr. Kursname
18-kp-2080-vl Computational Methods for Systems and Synthetic Biology
Dozent Lehrform SWS
Prof. Dr. techn. Heinz Köppl Vorlesung 2
Kurs-Nr. Kursname
18-kp-2080-ue Computational Methods for Systems and Synthetic Biology
Dozent Lehrform SWS
Prof. Dr. techn. Heinz Köppl Übung 1
2.1 KTS I: Vorlesungen 24Modulname
Sensor Array Processing and Adaptive Beamforming
Modul-Nr. Kreditpunkte Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
18-pe-2060 4 CP 120 h 75 h 1 SoSe
Sprache Modulverantwortliche Person
Englisch Prof. Dr.-Ing. Marius Pesavento
1 Lerninhalt
Diese Vorlesung führt in die Prinzipien der Sensorgruppensignalverarbeitung und des adaptiven Beamfor-
ming ein.
Themenübersicht: Motivation und Anwendungen, Schmalband- und Breitbandsignalmodell,
Richtungsschätzung (DoA estimation):
traditionelle Verfahren basierend auf dem Beamforming, hochauflösende Verfahren, Maximum-Likelihood
Verfahren, Unterraumverfahren, MUSIC, ESPRIT, MODE, root-MUSIC, mehrdimmensionale Quellenloka-
lisation, Beamspace-Verarbeitung, Sensorgruppeninterpolationsverfahren, teilkalibrierte Sensorgruppen,
Breitband Richtungsschätzung, Räumliche Glättung, Forward-Backward Mittelung, Redundancy averaging,
korrelierte Quelen, Minimum redundancy arrays, compressed sensing und sparse reconstruction basierte
Verfahren, Performanz-Schranken,
Adaptives Beamforming:
Punktquellenmodell, Kovarianzmodell, Wiener-Hopf Gleichung, Minimum Variance Distortionless Respon-
se (MVDR) Beamformer, Capon Beamformer, Sample matrix inversion, Signal self-nulling Effekt, robustes
adaptives Beamformen, Hung-Turner Projection Beamformer, Generalized Sidelobe canceller Beamformer,
Eigenspace-based Beamformer, nicht-stationäre Umgebungen, modern Beamforming Verfahren basierend
auf konvexer Optimierung Optimierung, Worst-case basiertes Beamforming, Multi-user Beamforming
2 Qualifikationsziele / Lernergebnisse
Die Studenten lernen Techniken der modernen Sensorgruppensignalverarbeitung zur Quellenlokalisation
und für das Sende- und Empfangsbeamforming.
3 Empfohlene Voraussetzung für die Teilnahme
Kenntnisse in der linearen Algebra.
4 Prüfungsform
Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, fakultativ, Standard BWS)
5 Benotung
Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, fakultativ, Gewichtung: 100 %)
6 Verwendbarkeit des Moduls
BSc / MSc etit, BSc / MSc WI-etit, MSc MEC, MSc iST, MSc iCE
7 Notenverbesserung nach §25 (2)
8 Literatur
2.1 KTS I: Vorlesungen 25• Academic Press Library in Signal Processing: Volume 3 Array and Statistical Signal Processing Edited
by Rama Chellappa and Sergios Theodoridis, Section 2, Edited by Mats Viberg, Pages 457-967 (2014)
– Chapter 12 - Adaptive and Robust Beamforming, Sergiy A. Vorobyov, Pages 503-552
– Chapter 14 - DOA Estimation Methods and Algorithms, Pei-Jung Chung, Mats Viberg, Jia Yu,
Pages 599-650
– Chapter 15 - Subspace Methods and Exploitation of Special Array Structures, Martin Haardt,
Marius Pesavento, Florian Roemer, Mohammed Nabil El Korso, Pages 651-717
• Spectral Analysis of Signals, Petre Stoica, Randolph Moses, Prentice Hall, April 2005Optimum Array
Processing: Part IV of Detection, Estimation, and Modulation Theory, Harry L. Van Trees, Wiley
Online, 2002.
Enthaltene Kurse
Kurs-Nr. Kursname
18-pe-2060-vl Sensor Array Processing and Adaptive Beamforming
Dozent Lehrform SWS
Prof. Dr.-Ing. Marius Pesavento Vorlesung 2
Kurs-Nr. Kursname
18-pe-2060-ue Sensor Array Processing and Adaptive Beamforming
Dozent Lehrform SWS
Prof. Dr.-Ing. Marius Pesavento Übung 1
2.1 KTS I: Vorlesungen 26Modulname
Mikrowellenmesstechnik
Modul-Nr. Kreditpunkte Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
18-jk-2090 6 CP 180 h 120 h 1 SoSe
Sprache Modulverantwortliche Person
Deutsch und Englisch Prof. Dr.-Ing. Rolf Jakoby
1 Lerninhalt
Einführung in die Messtechnik, Hochfrequenzbauelemente und ihrer Eigenschaften, HF-Leistungsmessung,
Spektrumanalyse, Vektorielle Netzwerkanalyse (S-Parameter, X-Parameter, Kalibration), On-Wafer-
Messtechnik, Load-/Source-Pull, Hochfrequenzcharakterisierung von Materialien
2 Qualifikationsziele / Lernergebnisse
Die Studierenden sollen die Prinzipien der Mikrowellenmesstechnik verstehen und sie bei messtechnischen
Problemen eigenständig anwenden können. Folgende Feinlernziele sind mit der Vorlesung verknüpft:
• Die Studierenden verstehen die Grundzuge der Leistungsmessung und Auswirkungen einer Fehlan-
passung oder gepulster Signale und können eigenständig Messungen durchführen und interpretie-
ren.
• Die Studierenden verstehen die Grundlagen der Spektrumanalyse und können eigenständig Messun-
gen durchführen und interpretieren.
• Die Studierenden verstehen die Grundlagen der Streuparametermessung und der Kalibrierung von
Netzwerkanalysatoren und können eigenständig Messungen durchführen und interpretieren.
• Die Studierenden kennen verschiedenen Methoden zur Materialcharakterisierung
3 Empfohlene Voraussetzung für die Teilnahme
Empfohlen: Grundlagen der Nachrichtentechnik, Hochfrequenztechnik I
4 Prüfungsform
Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, mündliche Prüfung, Dauer: 45 min, Standard BWS)
5 Benotung
Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, mündliche Prüfung, Gewichtung: 100 %)
6 Verwendbarkeit des Moduls
MSc etit, MSc WI-etit, MSc iCE, MSc iST
7 Notenverbesserung nach §25 (2)
8 Literatur
Enthaltene Kurse
Kurs-Nr. Kursname
18-jk-2090-vl Mikrowellenmesstechnik
Dozent Lehrform SWS
Prof. Dr.-Ing. Rolf Jakoby Vorlesung 2
Kurs-Nr. Kursname
18-jk-2090-ue Mikrowellenmesstechnik
Dozent Lehrform SWS
Prof. Dr.-Ing. Rolf Jakoby Übung 1
2.1 KTS I: Vorlesungen 27Kurs-Nr. Kursname
18-jk-2090-pr Praktikum Mikrowellenmesstechnik
Dozent Lehrform SWS
PD Dr. habil. Holger Maune Praktikum 1
2.1 KTS I: Vorlesungen 28Modulname
Machine Learning & Energy
Modul-Nr. Kreditpunkte Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
18-st-2020 6 CP 180 h 120 h 1 WiSe
Sprache Modulverantwortliche Person
Deutsch Prof. Dr. rer. nat. Florian Steinke
1 Lerninhalt
Auch für Ingenieure wird die Analyse und Interpretation von Daten immer wichtiger. Unter den Schlagwor-
ten Digitalisierung und Smart Grid entwickeln sich viele neue datenbasierter Dienste im Energiebereich.
Das Modul stellt diese Entwicklung und die zugehörigen technischen Grundlagen des maschinellen Lernens
dar.
Zuerst werden die verschiedenen Problemstellungen des maschinellen Lernens strukturiert dargestellt
(Klassifikation, Regression, Gruppierung, Dimensionsreduktion, Zeitserienmodelle, . . . ), und es wird ge-
zeigt, wie jede Problemklasse in aktuellen Fragestellungen der Energietechnik ihre Anwendung findet
(Vorhersage von Preisen, erneuerbaren Energien und Verbrauchsmustern in multimodalen Systemen, Feh-
lererkennung und -prädiktion, Datenvisualisierung in komplexen Umgebungen, robuste Investitionsrech-
nung, Kundenanalyse, probabilistische Netzrechnung, . . . ).
Danach werden Grundlagen der Optimierung und Wahrscheinlichkeitsrechnung wiederholt sowie proba-
bilistische graphische Modelle eingeführt. Auf dieser Basis werden dann für jede Problemklasse des ma-
schinellen Lernens verschiedene Verfahren in Tiefe vorgestellt und anhand von Anwendungsbeispielen aus
dem Energiebereich diskutiert. Es werden klassische Verfahren wie lineare Regression, k-Means, Haupt-
komponentenanalyse ebenso wie moderne Verfahren (u.a. SVMs, Deep Learning, Collaborative filtering,
. . . ) dargestellt. Alle methodischen Schritte werden in Übungen / einem Praktikum auf Basis von Matlab
vertieft.
2 Qualifikationsziele / Lernergebnisse
Die Studierenden kennen wesentliche Aufgabenstellungen und Methoden des maschinellen Lernens und
deren Einsatzmöglichkeiten im Energiebereich. Die Studierenden verstehen die Funktionswiese entspre-
chender Algorithmen und sind in der Lage, diese eigenständig auf neue Probleme (nicht nur aus dem
Energiebereich) anzuwenden und entsprechend anzupassen.
3 Empfohlene Voraussetzung für die Teilnahme
• Gute Kenntnisse der linearen Algebra und Grundlagen der numerischen Optimierung (z.B. aus dem
Kurs 18-st-2010 Energiemanagement & Optimierung)
• Die aktive Nutzung von Matlab für die Übungen sollte kein Hindernis darstellen. Als Vorübung kann
der Kurzkurs 18-st-2030 Matlab Grundkurs besucht werden.
4 Prüfungsform
Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, fakultativ, Standard BWS)
5 Benotung
Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, fakultativ, Gewichtung: 100 %)
6 Verwendbarkeit des Moduls
MSc etit, MSc iST, MSc Wi-etit, MSc CE, MSc ESE
7 Notenverbesserung nach §25 (2)
Notenverbesserungen bis zu 0,4 nach APB §25(2) durch Bonus für regelmäßig besuchte Übungs-
/Praktikumstermine und mindestens einmaliges Vorrechnen in den Übungen
8 Literatur
2.1 KTS I: Vorlesungen 29• A Géron: Hands on Machine Learning with scikit-learn and Tensorflow, 2017
• Friedman, Hastie, Tibshirani: The elements of statistical learning, 2001
• Koller, Friedmann: Graphical Models, 2009
Enthaltene Kurse
Kurs-Nr. Kursname
18-st-2020-vl Machine Learning & Energy
Dozent Lehrform SWS
Prof. Dr. rer. nat. Florian Steinke, M.Sc. Tim Christian Janke Vorlesung 2
Kurs-Nr. Kursname
18-st-2020-ue Machine Learning & Energy
Dozent Lehrform SWS
Prof. Dr. rer. nat. Florian Steinke Übung 1
Kurs-Nr. Kursname
18-st-2020-pr Praktikum Machine Learning & Energy
Dozent Lehrform SWS
Prof. Dr. rer. nat. Florian Steinke, M.Sc. Tim Christian Janke Praktikum 1
2.1 KTS I: Vorlesungen 30Modulname
Machine Learning in Information and Communication Technology (ICT)
Modul-Nr. Kreditpunkte Arbeitsaufwand Selbststudium Moduldauer Angebotsturnus
18-kp-2110 6 CP 180 h 120 h 1 SoSe
Sprache Modulverantwortliche Person
Englisch Prof. Dr. techn. Heinz Köppl
1 Lerninhalt
Das Modul bietet eine Einführung in das aufstrebende Feld des maschinellen Lernens aus einer ingenieur-
wissenschaftlichen Perspektive. Die wichtigsten Modelle und Lernverfahren werden vorgestellt und anhand
von Problemen aus der Informations- und Kommunikationstechnik veranschaulicht.
• Grundlagen der Wahrscheinlichkeitstheorie und der multivariaten Statistik
• Taxonomie von maschinellen Lernproblemen und von Modellen (überwacht, unüberwacht, genera-
tiv, diskriminativ)
• Regression und Klassifikation: Theorie, Methoden und ICT Anwendungen
• Dimensionalitätsreduktion, Gruppierung und Analyse großer Datensätze: Methoden und Anwendun-
gen in Kommunikation und Signalverarbeitung
• Probabilistische graphische Modelle: Kategorien, Inferenz und Parameterschätzung
• Grundlagen der Bayes’schen Inferenz, Monte Carlo Methoden, nicht-parametrische Bayes’sche An-
sätze
• Grundlagen der konvexen Optimierung: Lösungsmethoden und Anwendungen in der Kommunikati-
on
• Approximative Algorithmen für skalierbare Bayes’sche Inferenz; Anwendungen in der Signalverar-
beitung und Informationstheorie (z.B. Dekodierung von LDPC Kodes)
• Hidden Markov Modelle (HMM): Theorie, Algorithmen und ICT Anwendungen (z.B. Viterbi Deko-
dierung von Faltungskodes)
• Hochdimensionale Statistik (“large p small n” setting), Lernen von Abhängigkeitsgraphen in hochdi-
mensionalen Daten, Lernen von Kausalitätsgraphen von Beobachtungsdaten.
• Schätzverfahren für dünnbesetzte Probleme, Zufallsprojektionen, compressive sensing: Theorie und
Anwendungen in der Signalverarbeitung
• Tiefe neuronale Netze (deep learning): Modelle, Lernalgorithmen, Programmbibliotheken und ICT
Anwendungen
2 Qualifikationsziele / Lernergebnisse
Die Studierenden können bestimmte ingenieurwissenschaftliche Probleme aus dem Bereich ICT als maschi-
nelle Lernprobleme interpretieren und kategorisieren.
Sie sind imstande solche Probleme auf standardisierte Lernprobleme zurückzuführen und die ge-eigneten
Lösungsverfahren dafür zu bestimmen.
Sie sind fähig alle notwendigen Algorithmen von Grund auf selbst zu implementieren aber sind auch mit
der Nutzung aktueller Programmbibliotheken im Bereich des maschinellen Lernens vertraut.
Sie sind fähig die Laufzeitkomplexität der Algorithmen abzuschätzen und damit den jeweils pas-senden
Algorithmus unter den praktischen Randbedingungen auswählen.
Sie sind fähig die erlernten Methoden auf andere Bereich anzuwenden, bspw. auf die Datenanalyse in der
Biomedizintechnik und auf die Analyse von Daten aus sozialen Netzwerken.
3 Empfohlene Voraussetzung für die Teilnahme
Grundkenntnisse von Matlab (z.B. aus dem Kurs 18-st-2030 Matlab Grundkurs) und Mathematik für Inge-
nieure
4 Prüfungsform
Modulabschlussprüfung:
• Modulprüfung (Fachprüfung, fakultativ, Standard BWS)
5 Benotung
2.1 KTS I: Vorlesungen 31Sie können auch lesen
